遥感图像分析范文

遥感图像分析范文（精选9篇）

遥感图像分析 第1篇

遥感图像是遥感探测目标的信息载体,可以综合反映地理环境某一部分或某些地物的质、量和动态信息[1]。其中,高光谱遥感卫星图像以清晰度高、信息量丰富、准确、数据时效性强等特点[2],为研究人员在环境恶劣、交通不便的沼泽地区、高海拔地区开展地质调查、勘探等工作提供了快速、可靠的数据源。

遥感图像包括地物的光谱特征、空间几何结构、时间特征3个方面的信息。地物的光谱特征信息表征了遥感图像的色调和色彩。空间几何结构信息量越丰富则表明图像具备越高的几何分辨率和越清晰的纹理细节。对于时间特征信息,在不同时相获取的遥感图像,其波谱特征和空间几何结构特征一般存在差异性。这3个方面特征的参数包括空间分辨率、光谱分辨率、辐射分辨率和时间分辨率。通过遥感技术能够快速采集大范围数据、动态监测地物变化、综合反映地表信息,为地质信息提取、分析提供基础数据。相比传统方法,投入费用低,节约了成本,提高了效率,带来很好的经济效益和社会效益。遥感图像的种类较多,表1列出常用卫星的图像及其主要特性[3]。

目前,在地质矿产调查、资源环境分析、灾害监测等方面比较常用的遥感数据源有美国LANDSAT TM、ETM+卫星图像。其中,TM有7个波段,包含低频信息及特定光谱段的光谱信息,光谱分辨率高,价格比较便宜。一景TM图像约代表地面185×185km2的范围,TM的时间分辨率为16天,空间分辨率约30米(其中第6波段120m)。ETM+有8个波段数据,一景图像面积和TM相同,ETM+遥感器搭载两个不同分辨率的成像装置,可以获取多光谱波段及全色波段数据,其中第1~5、7波段分辨率为30m,第6波段分辨率60m,第8波段全色波段(PAN)的分辨率15m[4]。ETM+和TM的多光谱波段参数相同,在多光谱波段处理时可以相互参考和比较。TM/ETM+图像主要参数及应用如表2所示。

表1 常用卫星图像及主要特性

2 遥感图像解译处理方法

遥感图像解译处理是通过一系列的计算、转换、融合和分类等对遥感图像进行处理,以达到纠正图像畸变,丰富图像色调变化、增强图像地物信息,提高图像可视化效果和图像解译能力的一种图像数字处理技术[3]。它通常在光谱信息增强和空间信息增强两个方面对图像进行处理。对于地质调查中采用的遥感图像,处理时要尽量使原始图像的光谱信息不损失。因此,选择适当的图像处理方法,对遥感图像进行彩色合成、图像增强、图像校正、图像融合、特征信息提取等操作,可提高遥感图像的空间分辨率,增强目标特征,修补有缺陷的图像,从而达到更好地突出、识别目标地物,加强对地质解译的应用效果[5]。

表2 TM(ETM+)图像主要参数及其应用

遥感图像融合是通过复合多源遥感图像数据,将同一地区的不同遥感图像数据进行空间配准,并通过一定的算法结合各图像数据中的优势信息后,得到一幅包含信息量更加丰富的新图像[6]。融合可以消除多传感器信息之间可能存在的不同的空间分辨率、波谱分辨率和时间分辨率等问题,弥补单一遥感图像信息的不足,综合各遥感图像的优势,降低不确定性和多义性。融合后的图像信息更加清晰透明,提高了图像的分辨率和光谱特性,可以对目标地物进行比较全面、清晰、准确的表述[7]。进行融合处理的各类型遥感图像需要具备以下条件:融合图像的空间分辨率和光谱分辨率不同;融合的图像属于同一地区;图像应可以精确配准;在不同时间获取图像内容变化不大,若内容变化较大,则用融合处理后的结果对观测地区进行更新。

在图像处理中,存在RGB空间和HIS空间两种彩色坐标系统(或称彩色空间)[8,9]。RGB彩色系统采用红(red)、绿(green)、蓝(blue)三原色进行描述的方案。通过对R、G、B三个分量的加运算实现颜色综合,适合于在工业领域或硬件设备中彩色图像的显示和存储。HIS颜色系统采用亮度(intensity)、色调(hue)、饱和度(saturation)三个分量来进行描述,它是一种基于人眼视觉对彩色感知特征的颜色模型[10]。可以通过对HIS空间中3个相对独立的分量I,H,S进行控制来精确描述相应的颜色特征。

在遥感图像融合处理中,经常使用HIS变换,即通过RGB空间到HIS空间的变换,实现在HIS空间复合不同分辨率的数据,经过IHS变换后得到的图像不仅具有较高的空间分辨率,而且保留较多的光谱信息特性,提高了图像识别和解译的精度。将颜色从RGB空间变换到HIS颜色空间的HIS变换如式(1)所示。

图像融合的HIS变换基本原理是将图像空间中3个分量用其它图像的数据进行替换。即将一幅彩色图像的R、G、B成分分离成代表空间信息的I、H、S三个分量,通过调节分量I、H、S的值来获取各种各样的显示效果[11]。彩色图像的空间分辨率主要取决于I分量图像的空间分辨率,在明度I分量、色别H分量和饱和度S分量3个分量中,人眼对明度I分量的分辨率更为敏感。因此,根据HIS变换的原理和人眼的视觉性,HIS变换对不同分辨率遥感图像的融合效果较好。

3 遥感图像HIS融合处理

本文在青海沱沱河1∶50 000区域地质调查项目中使用TM、ETM+遥感图像。由于项目工作区位于青藏高原乌兰乌拉湖地区可可西里无人区,为了获得更丰富的遥感信息,通过比较不同时相的信息差异,全面认识地质构造,更好地遥感解译地质编图。本次数据采集了两个时相的收集处理,两景数据的时相为:

139-36:2001.09.24(ETM+)

139-36:1994.12.18(TM)

本文采用的ETM+图像数据包含在一景ETM+遥感图(图景号139-36)范围内,除少部分高山区有常年积雪覆盖外,全区基本无云,清晰度较好,地质构造信息丰富,质量比较高。TM、ETM+遥感图像包含多光谱波段及全色波段数据,光谱信息十分丰富。其中,TM图像为多通道图像,信息量十分丰富,光谱分辨率相对较高但空间分辨率较低(TMl-5、7为30m,TM6为120m),而ETM+的8波段是全色单波段图像,该图像包含的地形地貌信息十分丰富。因此,将ETM+8全色图像作为参考数据,将相同区域的多光谱图像与之进行匹配融合,使生成的遥感图像达到工作要求。

通过HIS变换方法进行遥感图像融合处理,将TM图像经过HIS变换生成H、I、S三个分量,再用I分量与ETM+8图像进行配准生成新的I'分量,再经过HIS逆变换,就生成了融合的新图像。HIS变换步骤如下:

第一步:对图像进行几何校正、图像配准等预处理;

第二步:对多光谱图像应用HIS变换,得到I、H、S三个分量;

第三步:将高分辨率全色图像与多光谱图像的I分量图像进行几何配准等操作,生成新的亮度分量I'图像;

第四步:将第三步新生成的分量I'与原H分量、S分量图像进行HIS逆变换,得到融合图像,该图像即为具有高空间分辨率和高光谱分辨率特征的彩色图像。基于HIS变换的图像融合流程如图1所示。

图1 基于HIS变换的图像融合流程

通过HIS变换处理,融合后的图像结合了二者的优势,既保留了TM图像丰富的光谱信息,又具有ETM+(单色)图像较高的空间分辨率。生成具有高空间分辨率的多波段融合图像,在信息量和目视解译效果方面都有很大的改善,可以准确揭示多波段数据包含的各种地物信息。融合前后的参数信息及对比效果分别如图2、图3所示。

4 结语

本文基于HIS方法对项目工作区的原始遥感图像进行解译处理,使生成的遥感图像能够突出显示工作区不同岩性地层、蚀变岩及硅质岩、浅色硅质岩石、硅化及其它蚀变等信息。尤其在岩石裸露的基岩分布区和半裸露的基岩风化区,可以较好地显示不同岩石地层的分布,并经过信息提取,为野外地质工作者进行项目地质构造分析、地层岩性解译及蚀变带分析提供了比较丰富的参考数据,对识别相关矿产信息和寻找各类矿产具有重要价值。

图2 图像融合参数信息统计

图3 图像融合前、后效果对比

参考文献

[1]鞠建华,李加洪,李志忠,等.国土资源遥感应用[M].北京:地质出版社,2011.

[2]伊丕源,赵英俊.基于卫星遥感的三维景观建模与优化技术应用[J].遥感信息,2013,28(2):42-46.

[3]梅安新,秦起明,刘慧平.遥感导论[M].北京:高等教育出版社,2001.

[4]邹循进.遥感数字影像处理在三维地形地貌可视化中的研究与应用[D].贵阳:贵州大学,2008.

[5]戴文晗,魏清,戴磊.遥感技术在公路勘察设计中的应用[J].地球信息科学,2001(3):50-53.

[6]JOHN R JENSEN.遥感数字影像处理导论[M].北京:机械工业出版社,2007.

[7]廖崇高,杨武年,濮国梁,等.不同融合方法在区域地质调查中的应用[J].成都理工大学学报:自然科学版,2003,30(3):294-298.

[8]孙家广.计算机图形学(第三版)[M].北京:清华大学出版社,1998.

[9]章毓晋.图象处理和分析[M].北京:清华大学出版社,1999.

[10]陈洋.扫描地形图和遥感图像中的目标识别[D].长沙:国防科学技术大学,2006.

遥感图像分析 第2篇

分析了影响推扫成像遥感卫星图像定位精度的各种误差源,给出了一种图像定位精度的`分析和设计方法,分析了侧摆成像条件下高程和目标斜距的不确定性对图像定位精度的影响.

作 者：张伍 陆春玲 ZHANG Wu LU Chunling 作者单位：张伍,ZHANG Wu(北京空间飞行器总体设计部,北京,100094)

陆春玲,LU Chunling(航天东方红卫星有限公司,北京,100094)

小波在遥感图像分析中的应用与发展 第3篇

关键词：小波变换,遥感影像,多分辨率,多尺度

0 引言

遥感影像数据具有多时相、多光谱、多传感器、多平台和多分辨率的海量数据的特点，因此遥感影像处理是图像处理中一个特殊而又困难的分支。小波变换是一种全局变换，在时域和空域同时具有良好的定位能力，对高频分量采用逐渐精细的时域和空域步长，可以聚焦到被处理图像的任何细节[1]。

本文介绍了近年来小波在遥感影像中的各种应用，如在影像压缩、多源遥感影像融合、影像去噪、影像边缘检测与纹理信息提取等，并对小波在遥感影像分析中的应用趋势进行了分析和展望。

1 小波在遥感图像分析中的应用类型

小波在遥感图像分析中的应用越来越广泛，如在影像压缩、多源遥感影像融合、影像去噪、影像边缘检测与纹理信息提取等方面[2][3][4]。小波在遥感影像中的应用类型如表一所示，其中在表一中列出了常用的五种小波应用类型，以及各种应用类型的特点和代表性的小波算法。

2 小波在遥感图像分析中的应用效果

2.1 小波变换编码

小波变换具有多分辨率分析特性、时域局部分析特性和尺度自相似性等，因而使得小波变换影像压缩编码成为一种非常有效的影像压缩编码方案。

一方面它拥有传统变换压缩方法的优点，能够很好地去除影像数据中的统计冗余;另一方面，小波变换的多分辨率特性，使变换后的影像数据能够保持原始影像在各种分辨率下的精细结构，为进一步去除影像中的结构冗余信息提供了便利。遥感影像经过小波变换后能获得很好的空间频率多分辨率表示，小波变换的一些主要特性如下:

(1)不仅保持了原影像空间特性，而且能很好地提取出影像的高频信息，在低频处有很好的频率特性，在高频处有很好的空间选择性;

(2)小波分量具有方向选择性，分为水平、垂直和斜方向，这些特性都和人的视觉特性相吻合;

(3)能量主要集中在低频子图像，各层的低通直流分量相等，各带通分量均为零;

(4)低通模糊图像具有很强的相关性，水平子图像在水平方向相关系数大而在垂直方向相关系数小，垂直子图像在水平方向相关系数小而在垂直方向相关系数大，斜方向子图像在水平和垂直方向相关系数都小。

由于上述的这种独特的空间频率特性，故小波变换在图像分解中非常具有吸引力，而且在小波分解后的低通模糊子图像和其它高频子图像中，小波系数和压缩构成了小波变换编码的基础。

2.2 基于小波变换的多源遥感影像信息融合

小波变换与其它变换方法，如HIS变换融合方法比较，可以最大程度上综合各种光谱和空间信息，有利于运用遥感资料对各种地物特征的目视解译和其它的定性和定量分析。而且小波融合方法只是采用了遥感图像中的高频信息，其光谱变换只由高频分量引起，又是对各光谱通道分别进行融合，因此造成的光谱损失很小，保留了更多的光谱信息[5]。近年来，又兴起了基于多进制小波的影像融合方法，它有效地解决了二进制小波在对其它非1∶2分辨率比的影像进行融合时遇到的困难。多进制小波变换进行融合后的影像在熵、联合熵和平均梯度上都得到了提高，这说明融合后信息量比原始影像增加，达到了富集表示的目的，并且融合后影像的清晰度和可判读性也得到了提高[6]。

2.3 利用小波分析抑制影像噪声

现有的遥感图像随机噪声消除或压抑方法大致可以划分为两类:一类是频域方法，主要通过对图像进行傅氏变换以后，采用交互方式确定随机点噪声频率范围，然后选取适当的频域带通滤波器进行滤波处理，经傅氏反变换后获得去噪声图像。这种处理方法对周期性特征较强的随机点噪声不失为一种较有效的方法，但在处理过程中，由于难以区分与随机点噪声频率相近的图像信息，以至往往造成大量图像信息的损失。近年发展的基于门限的小波去噪声处理方法亦存在同样的图像信息损失问题。另一类方法是空间域方法，主要采用各种图像平滑模板对图像进行卷积处理，以达到压抑或消除噪声的目的，如邻域平均、中值滤波等都属于这一类方法。这类方法在消除或压抑随机点噪声的同时，往往使图像变得模糊，损失了图像中大量的微细影纹和边缘特征信息。如何有效地消除或压抑影像噪声，而且尽可能地减少图像信息的损失是实际应用中急需解决的关键技术问题。

小波理论在去噪领域得到了越来越多的重视，并获得了非常好的效果。具体来说，小波去噪方法的成功得益于小波变换具有如下特点:(1)低熵性，小波系数的稀疏分布，使得图像变换后的熵降低;(2)多分辨率，由于采用了多分辨率的方法，所以可以非常好地刻画信号非平稳特征，如边缘、尖峰、断点等;(3)去相关性，因为小波变换可以对信号进行去相关，且噪声在变换后有白化趋势，所以小波域比时域更利于去噪;(4)选基灵活性，由于小波变换可以灵活选择变换基，从而对不同应用场合，对不同的研究对象，可以选用不同的小波母函数，以获得最佳的效果。

下面将介绍各种小波变换在小波去噪中的应用。

小波变换包括单小波变换、小波包变换、多小波变换、平移不变(TI,Translation Invariant)单小波变换、平移不变小波包变换、平移不变多小波变换等。一般来说，小波变换能够很好表征一大类信号，但是当信号的高频信息(细边缘或纹理)较多时，小波变换的倍频特征将使得高频部分不能得到很好的分解和表示。而小波包变换则能对高频部分进行任意细的分割，由于这样可以更好地刻画这一类信号，因而对这一类图像或信号，小波包变换要比小波变换好。但是当信噪比较低时，小波包变换在搜索小波基时，会受到噪声信号的影响，即在噪声主宰区域，小波包算法由于会去更好地匹配噪声，从而导致小波基的搜索，在一定程度上只是为了描述噪声信号，反而不利于小波去噪。小波阈值去噪法，虽然表现了非常好的噪声和信号区分能力，但是由于缺乏平移不变性，因此使得最后得到的去噪版本出现失真，主要体现为震铃效应和伪Gibbs效应。为此，Donoho和Coifman通过一种循环平移(Cycle-Spinning)的方法，提出了平移不变小波变换，很好地解决了这个问题，从而使得TI小波去噪方法得到了很多应用。另外，使用TI小波变换还有一个优点，就是小波系数的个数不会随着层数衰减，从而能够保持某些去噪方法的渐进特性，例如用GCV准则确定的阈值不会过度偏离理想阈值。Cohen等人结合小波包和平移不变小波的特点，提出了一种利用平移不变小波包去噪的方法，并给出了相应的阈值公式。因为小波变换和小波包变换均是基于同一个母小波，所以在表征多种特征的图像时，有时效率并不很高。而在这一点上，多小波通过几个母小波之间的互补，则可以更好地胜任这一工作，从而可避免一些特征模糊化的现象，实验效果也很好地体现了这一点。Tien等人则更进一步，利用平移不变多小波变换来进行去噪。因为平移不变小波变换实际上是一种冗余的分解方法，所以计算量不可避免要比小波变换大得多。针对这一点，Paul等人做了有益的尝试，构造出了接近于平移不变的小波变换。从算法的简繁程度和最后的去噪效果综合考虑，上述任何一种方法都不具有绝对优势，而带噪信号的具体特征才是使用何种变换的决定因素。

2.4 小波变换在检测纹理边界中的应用

2.4.1 基于小波分解的影像纹理信息提取

近年来，基于多分辨率分析的方法在纹理分析中得到了广泛的关注，而小波变换作为一种多分辨率分析工具，为不同尺度上信号的分析和表征提供了精确和统一的框架。在某些区域，例如热带森林地区，大的结构存在于大的尺度中。而在某些区域，纹理则存在于小的尺度中，这为多尺度纹理测度提供了基础。应用小波变换的最终目的是从影像中提取多尺度纹理信息。纹理代表了影像强度的空间变化，由于小波对空间信号变化的敏感性以及在一定尺度下，能分离细节(Details)的特点，可以把小波系数看成是信号在这个尺度上的纹理测度。因此，小波变换是影像分割和分类的一个强有力的工具。

2.4.2 基于小波变换的影像边缘检测

对于分析影像的性质来说，其灰度突变点常属于最重要的特征之一，它们可提供用于描述物体轮廓的边缘信息。小波理论提供了一种多尺度边缘检测方法。对图像小波变换的局部极大值检测，可以得到图像在不同尺度下的灰度突变点。小波变换的最大特点在于具有极敏感的变焦特征，它能形成一个可调时-频窗。在低频段采用高的频率分辨率和低的时间分辨率，而在高频段采用低的频率分辨率和高的时间分辨率，这正符合低频信号变化缓慢而高频信号变化迅速的特点。在不同的分辨率下，能反映出图像的不同结构特征，因而在处理突变信号方面具有较强的能力[7]。

3 小波在遥感图像分析中的应用展望

(1)小波图像编码和分形图像编码是两种不同的图像编码方法。其中，小波图像编码是将图像分解成不同空间方向和不同分辨率的子带图像，人们可以根据需要，对不同子带图像采用不同的量化策略来进行编码;而分形图像编码则适用于自相似性较强的图像。可惜的是，一般自然图像的自相似性并不强，但是，经过小波变换后的图像，其相同方向但不同分辨率的子带图像都具有较强的相似性。因此，人们可以利用这种相似性，结合分形图像编码的方法来进行遥感影像编码，以大幅度地提高影像编码的压缩比。因此，小波分形混合图像编码已成为今后发展趋势。

(2)多源遥感影像数据融合还是一门很不成熟的技术，有待进一步解决的关键问题之一是建立空间配准模型，而解决这问题的途径是将小波的多分辨率分析理论引入，利用它在空间域和频率域同时具有良好的局部化性质，形成多传感器影像上的多尺度匹配模型。

(3)尽管小波去噪方法现在已经成为去噪和图像恢复的重大分支和主要研究方向，但是在另类噪声分布(非高斯分布)下的去噪研究还不够。目前国际上开始将注意力投向这一领域，其中，非高斯噪声的分布模型，高斯假设下的小波去噪方法在非高斯噪声下如何进行相应的拓展，是主要的研究方向。另外，从数学本质上讲，由于小波去噪方法也是一个模型定阶的问题，所以模型定阶问题的任何进展也将会推动小波去噪方法向前发展。这个问题的研究方向有MDL准则、MML(Minimum Message Length)准则以及Bayes方法等。

(4)在边缘检测小波的选择中，一般都要考虑边缘局部化问题，因此应选择具有线性相位且支持较小的小波基。目前小波基的种类较多，如Daubechies给出的具有紧支集的正交小波基、双正交小波基、非正交小波基等，那么什么样的小波基作为边缘检测算子较好，如何选择适用于特定问题的最佳小波基，这些都是值得研究的问题。

(5)目前，小波变换用于遥感图像识别方面的研究还很不成熟，而这将是一个很有意义的、重要的研究方向。

参考文献

[1]Bruno G D,Jean M C,et al.The Use of Multi-resolution Analysis and Wavelet Transform for MergingSPOT Panchromatic and MultiSpectral Image Data[J].PE&RS,1996,25(9):340-352.

[2]Wu G H,Zhang Y J,Lin X G.Wavelet Transfor-mation-based Texture Classification Using FeatureWeighting[J].Pattern Recognition&ArtificialIntelligence,1999,12(3):262-267.

[3]张荣,刘政凯,詹曙.基于小波变换的多光谱图像压缩方法[J].遥感学报,2000,3:100-104.

[4]谢杰成,张大力,徐文立.小波图像去噪综述[J].中国图形图像学报,2002,3:209-215.

[5]谢永华,傅德胜.基于小波变换的多源遥感图像的信息融合[J].遥感技术与应用,2001,4:260-262.

[6]贾永红,李德仁,孙家柄.多源遥感影像数据融合[J].遥感技术与应用,2000,1:41-44.

遥感数字图像处理实验报告 第4篇

学院 理学院 班级 地信131 学号 姓名

编写日期：1

2015.5

▶▶作业a

1.LS8_C_20140613_022505_000000_118039_GEOTIFF_L4

2.L5118_39_19860531 ProductDescription用记事本打开，读取头文件，并填写相关信息与相应位置即可

3.L5118-39-19960103

4.L7118039_20050815 直接打开以_mtl为后缀的文件，该文件中包含了遥感影像的所有波段 5.LM*** 直接打开波段，然后波段合成即可

6.s5kj297_289_10m

7.WORLDVIEW-052606622010_01

▶▶作业b

在ENVI中将landsat的4景影像和SPOT-5的1景的影像打开，并联动连接查看同一区域

link displays是根据象元位置来连接的，geographic link是通过地理坐标位置来连接的。

由上图可知，将遥感影像联动时亦可实现不同影像同一区域的快速检索，但是我们也可以看到，由于受到各方面因素的影像并不能特别精确的指在同一地方。

▶▶作业c

1.WORLDVIEW-2影像保存为jpg和TIF格式的4-3-2波段合成的假彩色图像。可用同样的方法将SPOT-5影像保存为jpg和tif格式的4-3-2波段合成的假彩色图像 2.为landsat的5景影像附上波段的波长，并根据波长用landsat 5的7-4-3波段，保存为jpg和tif格式影像

为波长复制后，导入影像文件各波段显示差异前后对比

转换为JPG格式后可以用看图软件直接打开

▶▶作业d

需要对影像进行裁剪，裁剪的基本步骤如下：

1.L5118_39_19860531裁剪前后对比

2.L5118-39-19960103裁剪前后对比

3.L7118039_20050815裁剪前后对比

4.LS8_C_20140613_022505_000000_118039_GEOTIFF_L4裁剪前后对比

▶▶

作业e

将剪裁影像，重采样成10m，重采样的操作主要如下

1.L5118_39_19860531重采样前后对比

2.L5118-39-19960103重采样前后对比

3.L7118039_20050815重采样前后对比

遥感图像分析 第5篇

1 多传感器遥感图像融合的概述

多传感器遥感图像是一种多种信息源的载体, 通过信息融合, 可以将通过不同工具采集到的图像信息集成在一张遥感图像上。遥感图像的融合技术使用多层次、多级别的处理方法提高了信息的维度和容量, 这些技术包括检测、关联、拼合、估算以及整合等精确的处理方法, 使其得到的遥感图像能够达到抗干扰、稳定的科学数据载体。

遥感图像的融合使用的算法主要是将多张图像按照一定的规则进行整合, 使得最终形成的图像可以从不同的层次提取相应的数据, 一般包括了三个层次, 即像素层次、特征层次和决策信息层次。针对每一个层次的处理都有很多算法, 本文主要研究使用小波分解图像, 并使用BP神经网络进行图像融合。

2 基于小波分解的图像融合

小波变换方法是利用小波分析的特点对图像进行多种尺度的分解, 可以扩展图像的分辨率范围, 同时由于小波分解能够达到非冗余分解, 因此将图像分解后不会产生爆炸性的容量增长, 使其变化的范围不是太大。通过小波分解, 可以借助小波的方向性特点将方向各异的高频分辨率图像分别提取出来, 增强融合图像的视觉效果。

2.1 小波变换及图像的小波分解

由于小波分析可以很好地对有时域和频域特征的问题进行局部化分析, 并且可以将高频数据进行精细化处理后提取比较完整的分量数据, 因此小波分析被广泛地应用在图像处理和场量处理领域。

对于二维信息来说, 小波分解可以用如图1所示的示意图来理解。

分解前的图像被定义为第一层图像LL0, 被第一次分解为水平方向上的图像LH0, 垂直方向上的图像HL0以及斜对角线上的图像HH0。继续分解第二层图像LL1, 被分解为水平方向上的图像LH1, 垂直方向上的图像HL1以及斜对角线上的图像HH1。以此类推, 继续分解第二层图像LL2, 被分解为水平方向上的图像LH2, 垂直方向上的图像HL2以及斜对角线上的图像HH 2。通过分解, 原始图像在各个层次 (频率) 和方向特征都得到各自的子图像。最终形成小波金字塔形状的层次图像。

2.2 图像的融合算法及改进

由小波分解得到的图像进行融合时, 按照如图2所示的方法进行。

对于图像A和图像B来说, 融合得到图像为图像F, 要融合这两幅图像的时候, 要进行如下步骤的处理。

首先, 按照小波塔形分解的方法对每一源图像进行小波变换;然后针对每一个分解层进行融合, 融合的方法按照每层上的频域分量, 使用小波算子进行融合, 目标是得到该层的小波金字塔;其次对于最终的小波金字塔进行小波逆变换, 变换后得到的图像就是重构的融合图像。

本文针对以上图像融合算法的思路, 在BP神经网络算法的基础之上, 结合变尺度算法 (DFP) 进行图像的融合实现, 目的在于借助BP神经网络算法的收敛速度提高融和效率。通过研究可以知道, BP神经网络在进行图像融合处理时, 采用的是负梯度方法, 但是当梯度下降到一定程度时, 寻找融合结点的边缘呈现锯齿状, 并且跌代次数会大大增加, 时间消耗也随之增长。因此, 当使用BP神经网络算法融合图像后, 在后期采用DFP算法, 以提高融合收尾工作的效率。

在传统的DFP算法中, 需要不断地进行权值修正, 并且在图像融合初期采用BP神经网络方法, 大大缩减了每次跌代的算法复杂度, 因此在DFP算法中修正权值时仍然按照负梯度方向进行, 即梯度递增公式为:

在公式中, δ为学习因子;为误差函数。

因此权值修正公式可以表示为:

其中H (k) 使用Hesse矩阵[7]进行存储, 并定义单位矩阵I为H (0) 的初始值, 故可以计算:

将上述分解因子代入梯度递增公式, 可以得到:

根据BP神经网络的性质, 结合DFP算法的特点, 在改进算法中, 可以进行如下改进。

定义为算法的输入和输出项其中k取自然数集, 对于第k个样本来说, 其输出为, 并且在考虑到第i个神经元的输出iQ, 神经元的总体输入可以表示为, 可以利用神经函数表示。其中使用BPF算法中的权值表示, 即:

其中误差函数定义为:

神经网络的全局误差定义为:

改进融合算法迭代时, 可以根据当前考虑待融合的像素区域, 作为学习样本的输入, 按照如下步骤进行处理。

第一步:初始化样本空间的权值, 取[0, 1]之间的随机数为矩阵中初始化, 即Tij (0) 。

第二步:将样本 (x (k) , yk) 作为神经元的输入, 计算神经网络函数

第三步:通过训练计算学习因子δ, 当神经元j为输出单元时, , 当神经元j为隐层单元时,

第四步:按照梯度递增公式计算梯度修正值, 即T ij (k+1) =Tj (k) +δH (k) D (k) 。

第五步:判断输入是否结束, 如果未结束, 跳转到第二步, 否则算法结束。

3 实验及分析

由于BP神经网络的建立需要在实验中确定网络中的各个参数, 因此为了能够得到较为合理的参数, 本实验采用试探性的建模, 将问题简单化, 选取带有两个隐层的BP网, 并且每个隐层包含三个神经元, 其学习速率均为0.11, 动量因子为0.062。结合遥感图像的特点, 选取图像中六个光谱参数作为计算对象, 因此网络采用六维矢量, 即Z= (z 1, z 2, ..., z 6) T, 初始化时, 记zi=1, zj=0。由于神经网络的存在拒绝上限, 本实验设置为0.86, 是比较适合对图像处理的阈值。

本实验选用珠三角某地区多谱图像进行融合, 试验结果如图3, 图4, 图5所示。

通过试验分析, 对多光谱空间样本区域进行小波分解后, 由于中心区域样本存在离散特点, 使得使用BP神经网络融合后出现了部分空值的情况, 主要是将BP网中心区域样本选取法对检验样本分类精度设置的不准确, 但是总体效果较为合理, 大大提高了融合的效率。

4 结语

本文利用小波分析方法对遥感图像进行处理, 并使用改进的BP神经网络对图像进行融合, 在图像融合初期采用BP神经网络方法, 大大缩减了每次跌代的算法复杂度, 在后期利用改进的梯度修正方法调整权值, 提高了图像融合的效率。

参考文献

[1]宁书年, 吕松棠, 杨小琴, 等.遥感图像处理与应用[M].地震出版社, 2010:39, 45.

[2]郁文贤, 雍少为, 郭桂蓉.多传感器信息融合技术述评[J].国防科技大学学报, 2011, 16 (3) :1～8.

[3]R.C.Luo, Michael G.Kay.MultisensorIntegration and Fusion in IntelligenSystems.IEEE Trans on System andCybernetics, 2009, 19 (5) :901～931.

[4]E.J.Kaminsky, H.Bara d, W.Bro wn.Textural Neural Network and VersionSpace Classifier for Remote Sensing.2010, 18 (4) :741.762.

[5]J.A.Benediktsson, P.H.Swain, O.K.Ersoy.Neural Network ApproachesVersus Statistical Methods in Classifi-cation of Multisource Romote SensingData.IEEE Trans on Geoscience andRemote Sensing, 2011, 28 (4) :540～552.

[6]Sebastiano B.Serpico, Fabio Roli.Clas-sification of Multisensor Remote Sens-ing Ima g es by Str u ctu re d N e u ra lNetworks.IEEE Trans on WoodcockART N eural Netw orks for R emoteSensing:Vegetation Classification fromLandsat TM and Terrain Data.IEEETr an s on Ge os cien ce an d Re mo teSensing, 2010, 33 (3) :562.578.

遥感图像分析 第6篇

彩色合成是遥感数字图像处理方法中, 最常用、最基本、也是最便捷有效的彩色增强处理方法, 是关于遥感图像处理研究最早的内容之一, 到目前为止一直在延续使用, 而且必不可少, 然而在教学中本人发现, 学生对于光学原理完成的彩色合成从理论上并不能很好的理解, 学生可以看到彩色图像, 可以按照排列组合的方式, 把所有能做的彩色合成全部完成, 观察到色彩的变化, 但是很难将色度学、地物波谱特性、图像灰度值、图像透光性等知识融合到一起进行综合分析, 从原理上明白色彩变化的原因。本人从事遥感地质学教学工作多年, 将彩色合成的教学经验进行了总结, 希望对从事这方面教学工作的教师具有一定的帮助。

1 授课内容

假彩色合成, 从标准假彩色入手, 以植被为例。

1.1 MSS数据的光学标准假彩色合成

图1为从波段选择, 植被反射率, 图像色调、透明正片密度, 滤色片颜色、色光混合, 植被颜色7大方面对于标准假彩色图像上植被颜色为品红色原理的列表解释。

1.2 ETM+数据的数字标准假彩色合成、真彩色合成。

图2和图3为以ETM+、TM数据为例, 用数字图像处理的方法解释标准假彩色和真彩色合成的原理, 因为该原理的实现是在计算机的遥感软件下完成, 数据类型有一定的变化, 所以透明正片密度用图像密度来代替, 滤色片三原色, 由计算机的RGB三原色代替, 实现标准假彩色、真彩色合成。工作波段、名称、植物反射率、图像色调、DN值、图像密度、三原色、色光混合原理应该在本次课之前完成, 在课上介绍到哪一部分就要做相应的复习。

1.3 授课需特别讲明的问题

1.3.1 光学和数字假彩色合成原理区别

遥感图像彩色合成处理的对象或基础是多波段遥感图像, 单波段图像是地物在此波长范围内的反射波谱特性的直观显示, 关键是如何理解对模拟图像的光学图像处理时和对数字图像的计算机处理时不同显示方式的表象和实质。

光学图像处理:处理对象是模拟图像, 每一单波段图像可视为一张像片或一张透明正片。

反射率高的地物在银盐感光材料的相纸上 (正像) 、 (像片) , 银粒密度低, 色调浅;在银盐感光材料的片基上 (正像) 、 (透明正片) , 银粒密度低, 透光率高;合成时混入所配的某一原色光的量多。

反射率低的地物在银盐感光材料的相纸上 (正像) 、 (像片) , 银粒密度高, 色调深;在银盐感光材料的片基上 (正像) 、 (透明正片) , 银粒密度高, 透光率低;合成时混入所配的某一原色光的量少。

数字图像处理:处理对象是数字图像, 每一单波段图像可视为一个图层, 如同透明正片。

反射率高的地物DN值高 (透明正片透光率高) , 在显示器上亮度高, 混入所赋的某一原色光量多。

反射率低的地物DN值低 (透明正片透光率低) , 在显示器上亮度低, 混入所赋的某一原色光量少。

光学处理直观形象易于理解, 数字处理方便易行, 但容易忽视原理和为什么, 造成图像处理的盲目性、随意性, 对处理结果无法做出科学解释。授课过程中要注意讲明影像色调深浅与透明正片密度大小与透光率大小与单波段影像的DN值高低的相关性。

1.3.2 标准假彩色合成波段选择原理。

标准假彩色合成选择的波段为近红外、红光、绿光, 如本文中的MSS数据和TM数据, 选择的波段为MSS 7 (R) 、MSS5 (G) 、MSS4 (B) 和TM4 (R) 、TM3 (G) 、TM2 (B) , 都是由植被的波谱特征来决定的。植被在摄影红外波段如MSS7、TM4反射率奇高, DN值高, 在相应波段的图像上色调浅, 混入所赋的某一原色光多, 所以, 在多波段遥感图像彩色合成时, 为此波段图像所赋的原色光的颜色将成为合成图像的主导色。MSS5和TM3都是红光波段植被的反射率低, 处在红谷的位置, 透光性不好。MSS4和TM2都是绿光波段植被具有绿峰, 反射率较高, 图像密度较小, 透光性较好。大量的红光和少量的蓝光合成为非常偏红的品红色。

1.3.3 真彩色的原理

TM3、TM2、TM1分别为红光、绿光、蓝光波段 (图3) , 在彩色合成过程中恰好给予红、绿、蓝三原色, 则原来是红色的地物还是红色, 原来是绿色的地物还是绿色, 原来是蓝色的地物还是蓝色, 其合成色与地物原有颜色一致。例如, 原来是红色的物体, 是因为其反射了红光看起来是红色, 那么它在TM3红光波段的图像上反射率就会很高, 图像色调很浅, 透光性很好, 给一束红光恰好能透过, 地物看起来则为红色, 恢复了地物原有的颜色, 因此称TM3 (R) 、TM2 (G) 、TM1 (B) 为真彩色, 就是进行了色彩还原的真彩色图像, 这也是数字彩色摄影的基本原理。

1.3.4 模拟真彩色和真彩色之间的区别

如:MSS5 (R) 、7 (G) 、4 (B) 彩色合成的植被绿色为模拟真彩色, 而非真彩色, TM3 (R) 、TM2 (G) 、TM1 (B) 则为真彩色。原因在于, MSS没有蓝光波段的像, 缺少地物三原色的蓝光信息, 因此无论怎样彩色合成都不会与地物真实颜色相一致。

1.4 举一反三讲解的内容

前边已经把彩色合成的基本原理解释清楚, 可以用提问的方式, 由学生先观察、思考, 然后再讲解, 讨论完成本部分的几个问题。

1.4.1 植被的颜色为什么会不同

实际生长的植被, 由于一种植被处在不同的生长期, 遭受的病虫害不同, 其反射率也不同, 所以图像的密度, 透光性也不同, 所以植被在标准假彩色合成图像上虽然都是非常偏红的品红色, 但深浅也会相差很大, 如健康茂盛———亮红, 幼年———粉红, 病害———暗红, 成熟农作物—鲜红等。基本的规律是植被生长的越好, 反射率越高, 就会越偏红。

不同的植被, 如小麦、树木、灌木丛颜色会不同在讲解的遥感图像数据上找到相应的地物进行观察。

1.4.2 标准假彩色合成不同水质水体颜色变化特点

彩色合成中, 水体颜色的变化主要由水中所含物质来决定, 课上以TM432洞庭湖为例讲解, 水体当清而深时是黑色, 因为水体在三个波段上的反射率都较低, 红、绿、蓝三原色都不容易透出故为黑色;当水体中含泥沙时在TM3橙红光波段, TM2绿黄光波段, 泥沙具有一定的反射率, 增加绿、蓝光的透光率, 合成为淡青色;有水藻时TM4摄影红外波段反射率大大增强, 具有了植被的光谱特征, 呈现出带红点、红晕的图像特征。并可进一步为同学讲解水体污染监测, 如赤潮。

1.4.3 云、雪、冰在TM432标准假彩色合成时是什么颜色

云、雪、冰, 因其在TM432三个波段反射率均较高, 红、绿、蓝三原色光均能很好的透过来, 加色法合成为白色。

1.4.4 当遇到我们没有讲过的地物时, 如何分析其颜色

注意为学生梳理思路, 从地物的波谱曲线入手, 结合遥感图像波段特征, 按照图1、图2、图3的思路方法进行分析, 即可得到答案。

1.5 相关作业

草绘植被的反射波谱曲线。结合多波段假彩色合成实验, 综合分析植被在TM标准假彩色 (模拟真彩色) 图像上的色彩特征, 并说明为什么? (提示:植被的反射波谱特性、ETM+各波段的工作波长、植被在不同波段图像上的色调、透明正片的影像密度或DN值、波段与三原色光组合、色光加法混合原理)

2 授课方式

在课上首先把一幅图像由灰度变为彩色的, 勾起学生的好奇心, 然后按照“理论+实验”、“提问+讨论”方式完成教学。分别用光学图像处理方法和数字图像处理方法来实现。

光学图像处理方法, 采用多光谱彩色合成仪 (图4) , 在当今的数字化时代, 各种传统的光学图像处理方法几乎都得以在计算机上实现, 该仪器已少人问津, 但对直观地理解彩色合成图像处理的原理还起着难以取代的作用, 在这里仅作简要介绍, 该实验选用的是MSS数据。

实验选择MSS7, MSS5, MSS4三个透明正片, 图5 (左) 单波段图像, 对应多光谱彩色合成仪的三个通道, 以MSS7 (R) , MSS5 (G) , MSS4 (B) 的方式给三个透明正片配以红、绿、蓝三原色光, 即出现图5 (右) 的彩色合成以后的图像。当图像彩色合成实现后, 以洞庭湖下方代表芦苇分布的品红色区域为例, 按照图1的原理再强调一次原理, 学生才会有眼见为实的感触。

多光谱彩色合成仪可以将三原色顺序以C32种组合调整顺序, 除MSS7、5、4对应R、G、B为标准假彩色之外, 其它组合———统称非标准假彩色合成, 或直接称为彩色合成。其中MSS5 (R) 、7 (G) 、4 (B) 被称为模拟真彩色。

数字图像处理, 在计算机上, 用ERDAS等遥感图像处理软件完成, 选用TM、ETM+等数据均可。彩色合成处理过程较简单, 出现的效果需要依照图2和图3以及授课内容作出详细认真的讲解, 并注意单独观察TM4 (R) , TM3 (G) , TM2 (B) 具有植被部位的透光性, 分析透光性是否由其反射率来决定, 透过的光根据加色法彩色合成原理, 即得植被的颜色———品红色 (图5) 。

TM有7个波段, 6波段为热红外图像不参与反射波谱特性图像的彩色合成, 所以彩色合成选择TM1、TM2、TM3、TM4、TM5、TM7, 6个波段完成, 共有C63种合成方案, 老师再为学生演示TM3 (R) 、TM2 (G) 、TM1 (B) 彩色合成方案, 并按照授课内容讲解, 其余方案由学生自己操作, 体会其中的原理, 并总结颜色变化的原因, 完成1.3的作业。

3 课程内容重难点分析

本课程设计100分钟, 70分钟讲解加演示, 30分钟学生用ERDAS软件自己操作完成。学生在操作的过程中需观察不同的彩色合成下地物颜色的变化, 考虑为什么, 并完成作业。 (下转第68页) (上接第55页) 4结论

本设计将地物的波谱特性, 图像的灰度, 透明正片的透光率, 多波段图像波段效应、三原色光原理, 加色法色光混合原理全部融会贯通起来, 使学生真正理解彩色合成的原理, 并在实际工作中能灵活运用, 如比值图像、主成份分析处理后的图像, 也可以用本设计彩色合成原理来理解, 只是失去了地物的波谱意义, 体现的是其数学特征, 由DN值来决定。在实际教学中本设计教学效果非常好, 所以将其总结成文。S

摘要：多波段遥感图像彩色合成是一种应用广泛的遥感图像应用处理, 本文对其授课目标、授课方式、授课内容、授课顺序、授课重点等进行了设计, 并将彩色合成原理从色度学、地物波谱特性、图像灰度值 (图像密度、透光性) 等几个方面进行关联, 使学生真正学懂彩色合成的基本原理, 并能灵活地应用到遥感图像专题信息提取的实践之中。

关键词：标准假彩色合成,真彩色合成,加色法

参考文献

[1]母国光, 站元龄.光学[M].人民教育出版社, 1978.

[2]荆其诚, 等.色度学[M].科学出版社, 1979.

[3]汤顺青.色度学[M].北京理工大学出版社, 1990.

[4]吕斯骅.遥感物理基础[M].商务印书馆, 1981.

[5]陈述彭.遥感大词典[M].科学出版社, 1990.

[6]朱亮璞.遥感地质学[M].地质出版社, 1994.

[7]霍宏涛.数字图像处理[M].机械工业出版社, 2003.

遥感图像的分形特征 第7篇

关键词：遥感图像,分形特征,算法

0引言

在遥感图像分类中主要是以像元的灰度信息作为分类依据, 而很少利用到图像的空间结构信息。这对遥感信息而言, 是一个很大的损失, 因为光谱灰度信息和空间结构信息在遥感分类中应该是具有同等重要意义的。

曼德尔勃罗特在1975年创立了分形几何。它可以描述解释一些欧氏几何不能解决的几何图形与特征[1]。分形几何可以在一定程度上表达物体空间结构的复杂性, 很多人一直希望通过分形理论把空间结构信息引入遥感分类中[2,3,4,5,6,7,8]。

但是在将分形理论用于遥感影像解译之前, 必须得到相应影像的分形维数。在本文, 以一景ETM+ (Enhanced Thematic Mapper Plus) 影像为例, 介绍一种计算遥感影像分形维数的算法, 并分析其分形特征。另外, 与现有的遥感影像分维计算方法比较, 该算法简单且易于实现[9,10,11]。

1算法

在这里假设分形维数据与遥感图像的粗糙度有关, 那么影像的分形维数可以通过它的粗糙程度计算得来。事实上, 目前已有估计分形维数的方法[9,10,11]。不过, Pentland 在1984年详细系地讨论了自然景观的分形维数, 并为自然景观提供了一个较好的三维分形模型[12]。然而, 遥感影像就是自然景观的变换, 因此 可以把遥感影像当作自然景观看待。于是, 在这里把Pentland的理论作为估计遥感影像分形维数的基础。

根据Pentland 提供的影像分形模型, 影像中某一像元的分形维数可以依据其周围像元的光谱变化计算得到。那么就可以针对特定遥感影像找到一个函数[12]:

Er·r-H=E0 (1)

对式 (1) 两边取对数, 可得

logEr-H×logr=C0 (2)

Er 是距离为r的两个像元间的光谱差值, H是自相似系数, C0 为常数。应用上述函数, 影像的分形维数可以按以下步骤求得。

首先, 取一点作为计算窗口的中心, 按照特定长度L, 能得到一个边长为L 的计算窗口。在窗口中找到过中心的正东—正西、正南—正北、东南—西北、东北—西南等4向轴 (如图1所示) 。那么, 可以沿各方向分别计算分维。任取r∈ (0, L) , 令r=b-a, 0≤a<b≤L, 设[2,7]:

$e{}_r=\frac{|s{}_b-s{}_a|}{r}+1$ (3)

其中, Sa与Sb是某一计算方向上相应像元的灰度值 (如图2所示) 。取尽所有可能的a值, 可得er的平均值:

$\overline{e{}_r}=\frac{{\displaystyle \sum _{a=0}^{L-r}e}{}_r}{L-r+1}$ (4)

令

$E{}_r=\overline{e{}_r}\frac{L}{r}$ (5)

并取尽所有可能的r值, 可得E1、E2、…、EL。由最小二乘法可拟合出logEr与logr之间的斜率Hi, 其中i=1, 2, 3, 4。因此, 通过中心点某方向的分形维数Di可以由下式得到[1]:

Di = 1- Hi (6)

因此, D1、D2、D3、D4分别代表4个方向的分维值。根据特定图像的特点, 取4向分维的平均值或最大值作为该点的分维值。

根据分形概念, 从理论上讲“Hi” 应该属于 (-2, -1) , 那么它们的绝对值属于 (1, 2) , 因此分形维数Di 就应该属于 (2, 3) 。在这里还有必要说明:在本程序中窗口值只取奇数;另外, 当中心像元靠近边缘, 且计算方向的像元数小于窗口值时, 则按此方向的最大像元数进行计算。在这种情况下, 按图3开展计算。本算法其实不但能提取遥感图像的分形特征, 而且可以用于计算一般数字图像的分形特征。

2可靠性检验

将被推荐的分维算法用于计算真正的遥感影像之前, 先把其用于计算人造图像的分维, 以便检验该算法的可靠性。在图4的顶部是三幅作为输入的人造图像, 分别被称为均值图、六块图和无序图;而底部三幅图像分别是顶部三幅经该算法处理后所得的结果。从理论上讲, 计算得到的分维应该界于2.0和3.0之间。计算结果如表1所示。

图像d显示该算法计算均值图的结果。图像a的像元值都是“18”, 于是, 图像d像元值全为“2.000”。这说明当图像的“粗糙度”为零, 其分维等于拓扑维。在图像b, 方块边缘的复杂性显然大于图像其他部分, 于是, 从图e可以发现这些地方的分维要大一些, 因为方块边缘的颜色明显淡些。另外, 图像b的复杂性比图像a大, 也就有图像e的像元值总体上比图像d大。图像c是三幅人造图像中复杂性最高的, 同样也就可以发现图像f的像元值是最大的。因此, 说明该算法可以描述图像的复杂性, 而且所得分维值总体上随图像复杂性升高而增大。

3结果与讨论

对于同一景遥感影像也有许多不同的数据可用作计算分维的原数据, 那么该算法就会得到多种不同的分维。经过对各种不同原始数据计算后, 发现各种所得分维具有相似的特征。于是, 在这里就以ETM+1-7波段第一主成分为原数据计算得到的分维为例, 讨论该算法所得分维的特征。

另外, 在计算前还要确定计算中使用窗口的大小。在这里, 先计算大窗口, 最大窗口值为61;然后才是小窗口, 最小窗口是5。对于大于61的窗口, 在计算中存在太多像元不参加计算, 因此计算它们意义不大。对于小于5的窗口, 事实上只存在窗口大小为3这一种可能性;而关于3个像元的窗口, 在算法中r仅仅存在两个可能值1与2;显然它的分维是没有意义的, 因为它的数学变换太简单。

分析各种不同窗口值的分维后, 发现该算法得到的分维有如下特征:

1) 得到的分维值随窗口值增大而减小。在表2中, 所得分维值的最大值与平均值随窗口值增大而减小, 而各种不同窗口的最小值几乎相等。

2) 该算法在计算中会出现一些异常分维值, 不过当窗口大于某一确定值后, 异常值就会消失。根据该算法, 所得分维值应该界于 (2, 3) , 但在计算中发现, 如果窗口值太小, 就会出现一些超出 (2, 3) 的异常值。在表2中, 当窗口值大于23像元时, 就不存在异常值了。但是, 至于在该法中出现阶异常值的原因, 目前还不清楚, 这需要以后进一步研究。

3) 在地物光谱变化大的地方, 该算法所得的分维值也相应大些 (如图5所示) 。城市地区光谱反射率的变化肯定大于森林和水库地区, 因为城市内的地物组成较森林和水库更复杂。很显然, 水库的表面几乎是均质的, 因此, 它的光谱反射率变化在地表上几乎是最小的。一般来说, 影像光谱值是取决于地面物体光谱反射率的。那么, 说明该算法的分维值与地物光谱的复杂性具有正相关关系。

4结论

(1) 介绍了一种计算遥感影像单个像元分形维数的方法。该方法简单可靠, 易于实现, 并为将遥感图像的空间结构信息引入遥感分类打下了坚实的基础。

(2) 通过对三种人造图像分维值的比较, 发现该算法不但可靠与实用, 而且还能描述影像的复杂性, 分维值总体上随影像复杂性增大而上升。

(3) 分析计算遥感影像所得的分维值后, 发现其具有如下特征:首先, 所得分维值随窗口值的增大而减小。其次, 该算法将出现一些异常分维值, 不过, 只要窗口值大于某一数字 , 异常值将会消失。另外, 所得分维值与影像中地物光谱的复杂性成正相关关系。

(4) 由于该算法只沿着窗口内的四个方向进行计算, 就会有些像元不参加计算 (如图1) 。因此就没有最大限度地利用影像中的有用信息。这是该算法的一个不足之处。

参考文献

[1]曼德尔布洛特.分形对象:形、机遇和维数.文志英, 苏虹, 译.北京:世界图书出版社, 1999.

[2]Lam N S N.Description and measurement of Landsat TMimages usingfractals.Photogrammetric Engineering and Remote Sensing, 1990, 56 (2) :187-195.

[3]吴健平.区域土地利用土地覆盖遥感调查.上海:华东师范大学出版社, 1999.

[4]秦其明, 陆荣建.分形与神经网络方法在卫星数字图像分类中的应用.北京大学学报:自然科学版, 2000, 36 (6) :858-864.

[5]Chao N.Hausdorff measure of linear cantor set.Wuhan University Jour-nal of Natural Sciences, 2004, 9 (2) :135-138.

[6]蔡金华, 龙毅, 毋河海, 等.基于反S数学模型的地图目标分形无标度区自动确定.武汉大学学报:信息科学版, 2004, 29 (3) :249-253.

[7]刘文萍, 张常年, 赵会群, 等.一种基于分形特征的图片分类算法.中国图象图形学报, 2005, 10 (6) :754-757.

[8]朱骥, 林子瑜, 王昂生.数字图像单个像元分形维数的特征与计算方法.光电工程, 2005, 32 (2) :23-25.

[9]Shelberg MC, Moellering H, Lam NS-N.Measureing the fractal dimen-sions of empirical cartographic curve.Proc.Fifth International Symp.Computer-assisted Cartography (Auto-Carto 5) .Washington, D.C..1982:481-490.

[10]Mark D M, Aronson P B.Scale-dependent fractal dimensions of topo-graphic surfaces:an empirical investigation, with applications in geo-morphology and computer mapping.Jour.Math.Geology., 1984, 16 (1) :671-683.

[11]Clarke K C.Computation of fractal dimension of topographic surface u-sing the triangular prism surface area method.Computers&Geosci-ences.1986, 12 (5) :713-722.

遥感图像分类技术的发展现状 第8篇

1 遥感图像分类方法现状

谈到遥感图像的分类就不得不提到图像分类的方法, 普遍的, 将图像分类的方法分为监督分类和非监督分类, 其区别主要在于对与遥感图像的目标地区是否有先验知识。

1.1 非监督分类

非监督分类的方法很像GIS技术中提到的基于聚类分析的数据挖掘, 一些基本的数学模型也很相似, 同时, 也有很多图像处理中的图像分割算法可以应用到遥感图像分类中来, 大概分为以下几类:

1.1.1 基于图像分割算法的分类

阈值分割是大部分图像分类方法的基本想法, 而简单的与阈值比较大小的判别方法也是很多决策理论的雏形。在原始图像经过变换选择特征得当的情况下, 这种算法也有比较理想的效果, 并且其运算速度快, 算法结构简单, 因而其应用仍然相当广泛。

分水岭变换, 区域增长法和边缘检测法都可以应用到图像的分类算法中, 一些研究者在这些方法分类中也取得了比较好的结果。

1.1.2 数据聚类算法

K-均值法是一种比较常见, 原理比较容易理解的聚类算法, 这种算法的弊端也很明显, 即在初始确定聚类中心即个数时非常随机, 而分类结果与最初确定的聚类中心位置个数关系非常大, 所以在初始值设定不合理时得不到理想的结果。同时, K-均值聚类对于各类样本的边界是线性不可分以及类分布为非高斯分布或类分布为非椭圆分布时, 其聚类效果较差。ISODATA算法延续了K-均值法的分类判别规则, 但是增加的类别的分裂和合并机制, 从而优化了聚类结果, 但是同时也增加了算法结构的复杂程度。

还有一些研究者为了解决K-均值聚类结果受初始值影响严重的问题提出了一些确定更合理的初始值的方法, 如取相互距离最远的k个处于高密度区域的点作为初始聚类中心。引入核函数代替普通的欧氏距离, 用核空间代替原有的特征空间进行K-均值聚类也是优化K-均值法的一种手段。

基本的模糊聚类想法是基于模糊关系和模糊矩阵的, 模糊数学的基本应用之一:模糊关系是描述两个模糊集中的元素分别对于不同模糊集隶属度的函数, 而将之进行两两组织, 排列成阵即成为模糊矩阵, 按照模糊矩阵的乘法对原始矩阵乘方到一定次数后矩阵数值即保持稳定不变, 这时给出一个截断阈值, 就可以对原始元素进行分类。

一些文献中提到的HCM算法, 与K-均值算法实际上是同一个算法, 但是在HCM算法上发展出的FCM算法可以说是将模糊论引入K-均值算法的一个扩展。但是同时它也成为了模糊聚类的一种常用实现手段。虽然FCM算法的理论完善, 也取得了相关的很多应用成果, 但是它也有很多缺陷, 比如和K-均值法一样受初始值影响严重, 因而很多研究者致力于对其进行改进的工作。

1.2 监督分类

监督分类的基本思想是根据已知样本类别和类别的先验知识, 确定判别函数和对应的判别准则, 其中利用一定数量的已知类别样本的观测值求解待定参数的过程称之为学习或训练, 然后将未知类别的样本的观测值代入判别函数, 再依据判别准则对该样本的所属类别做出判定。

1.2.1 基于统计的监督分类

传统的监督分类在很大一部分程度上是基于数理统计模型的。也就是说, 对于样本的处理一般是求出如中心矩, 原点矩等一定的统计数值特征, 然后通过一定的统计判别规则将待分类点纳入到已采样的类别之中。

最小距离法:即求出各个样本在特征空间中的一阶原点矩, 然后将待分类的点与类别点的欧氏距离 (或者其他方法定义的距离) , 将距离最小的一种划分方式判定为该点所属的类别, 其做法就像已确定聚类中心不需要迭代的K-均值法。

最大似然法:使用贝叶斯判别规则的划分方法, 在统计规则上来讲是错分概率最小的一种分类方法。计算样本的一阶原点矩和二阶中心矩后估计该类别的概率分布, 将待分类点按照后验概率的判别公式纳入到所属概率最大的一个类别中。在模糊论中隶属度提出后也可以认为贝叶斯决策就是一种隶属度函数的选定方式, 并在统计意义上来讲符合正态分布总体的最大似然要求。

1.2.2 基于神经网络的监督分类

人工神经网络是根据模仿生物神经系统信号传输的仿生学成果, 是人工智能的领域的重要算法。现在的人工神经网络已从单层发展到多层, 并具有新的动态特征, 如BP算法, Hopfield算法。人工神经网络算法需要先验知识, 因为将其应用到图像分类时表现为一种监督分类。

另外, 一些研究者使用既有的GIS数据与遥感图像叠合, 通过GIS的矢量多边形的空间位置和其带有的属性信息作为自动选取样本的依据, 采用监督分类的方法对遥感图像进行分类, 即省去了人手工选取样本的工作量, 又使分类结果具有了一定的实际意义。

2 总结

近年来对于遥感图像分类的研究一直是学着重点研究的技术之一, 数字图像处理技术中众多的图像分类算法被应用到遥感影像分类的工作中来, 它的当今的发展方向简单总结为以下几点:

1) 将已有的比较成熟的分类基本方法综合应用, 吸收各种方法的长处, 发展出分类效果更好的分类器, 同时结合纹理, 光谱等分析手段增强原有算法。

2) 积极使用新出现的应用数学, 模式识别, 人工智能专家系统的算法, 结合遥感图像自身的特点实现全新的分类算法, 改进原有算法, 或创造新的分类理论。

3) 随着Quick Bird, IKONOS, Ge o Eye等超高空间分辨率多光谱民用的遥感影像以及超光谱传感器的相继出现, 与其相适应的图像分类方法成为当代学者的一个共同重要问题。

参考文献

[1]杨杰, 陈晓云.图像分类方法比较研究[J].微计算机应用, 2007.

[2]方圣辉等.基于边缘特征的变化检测方法研究[J].武汉大学学报.信息科学版, 2005.

利用图像综合特征检索卫星遥感图片 第9篇

对视觉信息的检索需要根据图像所表达的内容来进行。基于内容的图像检索方法是获取和利用视觉信息的有效手段,只有根据内容进行检索才可能有效地获取需要的信息,同时在掌握信息内容的基础上才有可能有效地管理数据库中的信息。基于内容的查询还能帮助计算机调度图像,对分布式多媒体数据库,可减少网络上的传输量。基于内容的图像检索是借助对视觉媒体从低层到高层进行处理、分析和理解的过程获取其内容并根据内容进行检索。它涉及到对图像的视觉信息进行有效地查询、索引、浏览、搜索和提取,而且这种工作是直接根据图像的内容含义而展开和进行的。

2. 基于内容的图像检索系统工作流程图

基于内容的图像检索系统(图1)支持根据视觉内容的检索。对视觉信息的访问不仅在概念层利用关键字进行(与在文字领域类似),而且也在感知层利用对图像内容的客观测量和合适的相似模型进行。在离线状态,不仅注解员可通过一定的方法对数据库内容进行注解,而且系统也自动地对数据库图像进行分析、提取特征,从而提供出在线应用时所需的多维索引。用户不仅可以借助文字查询方法,也可以借助视觉浏览和范例查询方法,利用搜索引擎进入索引进行检索,返回的结果仍可以用可视化的手段显示给用户,使用户能借助相关反馈开始新一轮查询。由此可见,对原始数据的处理和分析是系统功能不可缺少的一部分。

3. 系统设计原理

文中给出了六种颜色空间(HSV、YUV、RGB、XYZ、HSL、YIQ)以及分块加权HSV颜色直方图比较的实验结果,并且综合图像的颜色和纹理特征以及纹理和形状特征进行图像检索时,采用了基于灰度共生矩阵的纹理特征提取和基于不变矩的形状特征提取方法,并在此基础上加入了基于权重调整的相关反馈机制,使用户可以参与检索过程,通过调整权重使得检索结果最终满足用户的检索要求。

4. 颜色、纹理及其不变矩综合特征检索

颜色和纹理、纹理和不变矩是图像检索中使用最为频繁的视觉特征。人眼观察图像时往往不是只基于某一个特征,而是综合多种特征。因此综合多特征的检索算法比单一特征的检索算法更符合人的视觉感受。在这里先计算各个子特征的距离度量,再组合这些子特征距离得到全局相似距离。

4.1 归一化方法

由于特征向量中各个分量具有不同的物理意义和取值范围,需要对特征向量进行内部归一化。本文采用了效果较好且最常用的高斯归一化方法。一个N维的特征向量可记为:F=[f1,f2,…,fN]。如果用I1,I2,…,IM代表图像库中的图像,则对其中任一幅图像Ii,其对应的特征向量为Fi=[fi,1,fi,2,…,fi,N]。假设特征分量值系列[f1,j,f2,j,…,fM,j]符合高斯分布,可计算出其均值mj和标准差σj,然后利用下式将fij归一化至区间[-1,1]:

根据公式(1)归一化后,各个fi,j均转变成具有N(0,1)分布的fiN,j。图像的相似性度量采用绝对值距离,因为绝对值距离计算复杂度小,且能取得比较好的检索结果,即:

其中Xk,Xj表示两个样本的特征向量。xki,xji则是相应的第i个分量。

4.2 相似性检索

基于内容的相似性检索可以划分为三种类型:

(1)区间查找:从数据库找出所有符合如下条件的图像:图像特征的值分别在用户指定的区间内。

(2)K-最近邻查找:从数据库返回与检索样本最相似的前K个图像。

(3)限定误差范围内查找(a-cut):从数据库找出与检索样本的相似度不小于a的所有图像。

本文采用第(2)种方法,当图像由多个不同的底层视觉特征描述子表示时,把这些特征参数组成一个向量是比较自然的想法。比如把x1,x2,…,xk个特征描述子用k维向量空间中的一个向量(空间中的点)代表。在向量表示的特征空间中进行区域查找等同于查找位于空间中的超立方体中的点。

4.3 相似性度量

为了支持最近邻查找,特征空间必须具备相似性度量的能力。两个向量的相似性可以用多种方法进行度量,一般分为距离度量和非距离度量两大类。

本文采用一般的欧式距离,一般的欧式距离公式:

D(x,y)=(x-y)TK(x-y)

K为正定的,不一定为协方差阵。

4.4 图像数据库检索系统设计

高维数据索引是数据库、信息检索等多个领域的研究热点,并且新的研究结果在不断涌现,比如高维索引方法一般分为向量空间方法和度量空间方法。本文采用高维索引方法时中的度量空间方法。

度量空间方法检索数据库对象的距离而不是数据对象本身。其优点是可以灵活选择合适的距离度量方法,减少检索时的度量计算开销。度量空间法可以很好地支持最近邻查找,但是一般并不支持区间查找。常用的度量空间法高维索引结构为:VP-树和M-树。

5. 实验结果与结论

为配合空间地理遥感卫星图片研究,实验数据库特采用中国科学院“全国资源环境遥感数据库”,它是像素栅格图形数据库的地图投影,其数学基础为ALBERS等积圆锥投影。

对一幅给定的检索图像,设N是图像库中相似图像的总数,n是提取出的相似图像数,T是系统提取出的总图像数,则检索效率定义为:

当进行了一系列检索实验时,如果在某些实验中N>T而在另一些实验中N

本文实验中取M=8类进行检索,并且N>20,T=20检索率结果取百分整数。

从实验数据可以看出采用综合特征检索后。纹理权重占50%时平均检索率最高。图像特征入库提取的平均速度也很快,在海量的遥感卫星图片中,要提取自己想找到的图片可以通过这种方法进行特征比对。

从图3可以看出,综合纹理和不变矩特征检索的平均最高检索率比综合纹理和颜色特征的平均最高检索率高出约2%,并且当纹理权重占50%时平均检索率最高。

图4是依据本文理论设计的图像检索系统,待检索的目标图像已提取出来,将图像按纹理和不变矩特征入库,然后按纹理加权权重检索图像。

6. 结束语

经过上面的分析和比较,基于内容的图像检索要分析被检索图像本身的特征,要从海量的图像里快速检索目标图像,必须针对图像本身的特征应用不同的方法提取图像的特征入库,实验证明卫星遥感图片便用纹理加权权重和不变矩综合检索的效率较高。

参考文献

[1]G.Ayala,J.Domingo,Spatial size distributions.Applications to shape and texture analysis,IEEE Trans.Pattern Anal.Mach.Intell.23(12)(2001)1430-1442.

[2]章毓晋.基于内容的视觉信息检索[M].北京:科学出版社,2003.

[3]唐立军,段立娟,高文.基于内容的图像检索系统[J].计算机应用,2000,10(7):41245.